隨著 AI 帶動先進封裝需求持續成長，日月光積極擴充產能，也同步深化 AI 在製造現場的應用。多年來，日月光已將 AI 深入生產排程、品質與設備管理等場景，透過智慧派工與預測預警，讓生產管理從被動追蹤走向主動調度。然而，當 AI 從「少數專家使用」邁向「全員 AI」，下一階段的挑戰已不再只是開發更多模型，而是如何讓 AI 從分析與建議，逐步走向承接實際製造任務。為此，日月光攜手 SAS 導入 SAS Viya 平台，整合既有模型、演算法與 AI Agent，建立可治理、可協作、可複製的數位勞動力。這場從 AI 工具走向數位勞動力的轉型，日月光如何推進？
談到 AI 轉型，事實上，日月光早已走過十餘年自動化與數據能力的長期累積，打下堅實基礎。日月光人工智慧應用整合處處長陳宥瑜指出：「日月光做 AI 不是為了跟風，我們的核心指標非常明確，就是品質、成本、交期。」
日月光的 AI 布局大致經歷三個演進階段。起初是 AI for Expert，將專家的領域知識轉化為單點模型，解決特定製程與瑕疵問題；隨後邁入 AI for Everyone，透過 No-Code 平台降低門檻，讓工程師自行運用數據解決日常問題；如今則跨入 AI Workforce，開始思考哪些工作可交由 AI Agent 執行，讓 AI 從單純的輔助工具，逐步轉化為能自主執行任務、與人協作的數位勞動力。
當內部累積愈來愈多模型與 AI 應用，重點也從「開發」逐步轉向「治理」。「未來的競爭，比的不是 AI Model 的數量，而是誰能把製造 Know-How 轉變成可複製、可管理、可延伸的數位勞動力！」陳宥瑜的回應，也點出日月光下一階段的挑戰：如何讓真人與 AI 重新分工，並讓愈來愈龐大的數位勞動力可以被規模化管理。
燈塔工廠再進化！從「做 AI」到「管 AI」，模型愈多管理愈重要
日月光高雄廠在 2022 年獲世界經濟論壇「全球燈塔工廠」肯定，但隨著先進封裝製程複雜度提高，陳宥瑜坦言，「建立模型」與「管理模型」是兩回事。當 AI 模型與 Agent 分散在不同系統與場景，不僅維護與版本管理日益複雜，如何讓成功經驗快速複製到不同廠區，也成為下一道課題。
因此，日月光期待的不只是再建立更多模型，而是一個能管理不同 AI Agent、串接既有 AI 資產的核心架構。評估市面工具後，團隊看中 SAS Viya 的開放生態系與治理能力，最關鍵的是「不需把過去已建立、獲得信任的 AI 打掉重做」，既有資料、模型、演算法與外部系統都能持續使用，再透過平台進行管理與協作，逐步形成 Multi-Agent 的營運智慧核心。
SAS 台灣總經理龔律安表示：「企業 AI 發展到一定規模後，競爭關鍵不再只是誰擁有更多模型，而是能不能把模型與 Agent 變成可管理、可協作、可複製的企業能力。日月光已累積成熟的 AI 基礎，SAS 希望協助這些既有成果在一致架構下持續被放大，進一步支撐『全員 AI』走向 AI Workforce。」
雙方也以良率預測展開 Multi-Agent 概念驗證。當使用者提出良率問題後，系統可協調資料準備、特徵工程、模型訓練、部署與評分等不同 AI 能力；即使不是資料科學家的製造與良率專家，也能透過自然語言介面調用相關功能。更重要的是，日月光原有的模型與演算法仍可沿用，由 SAS Viya 扮演協調與管理的中樞，而非重新打造一套 AI。
AI 深入產線，智慧派工讓生產管理從被動追蹤走向主動調度
事實上，在進一步推動 Agentic AI 規模化管理之前，AI 早已走入日月光的生產現場。其中最具代表性的應用之一，就是即時動態派工。陳宥瑜形容，其流程設計就像產線裡的「Uber 智慧派單」：系統持續掌握生產進度與設備狀況，並在機台換線前預判需求、通知相關人員前往整備，盡可能把設備等待時間降到最低。
導入 AI 初期，也曾面臨第一線作業員的疑慮：過去可以自行安排工作，如今改由系統派工，會不會限制自主性，甚至影響績效獎金？但隨著排程持續最佳化，設備利用率與生產效率同步提高，改善成果也回饋到實際績效。
透過智慧排程與即時動態派工，日月光持續提升生產調度效率與設備利用率，減少產線等待與閒置，讓生產管理從被動追蹤轉向主動調度，也使整體排程更具彈性。這些既有 AI 應用成果，也進一步凸顯 AI 規模化後的新課題：當不同產線、設備與製程持續累積模型與 Agent，如何將分散的 AI 能力納入一致的治理與協作架構，讓既有 AI 資產能被有效管理、重複利用並跨場域複製，成為下一階段發展數位勞動力的重要基礎。
從品質預警到知識傳承，AI 打造可治理、可複製的數位勞動力
除了排程，先進封裝高度重視的品質與落塵（Particle）控制，也是日月光長期投入 AI 的重要場景。過去一旦出現異常，問題可能橫跨製程、廠務、設備與品質等不同環節，工程師往往需要反覆排查與嘗試；如今透過 AI 彙整不同來源資訊，可更快協助專業團隊判斷異常來源與後續處理方向，相關改善措施約一週即可看到成效，持續改善後，落塵也從影響良率的重要因素中顯著下降。
AI 帶來的效益也延伸至人力運用。隨著生產規模擴大，目檢與重複性作業的工作負荷也同步增加。透過 AI 影像檢測與作業自動化，日月光得以降低例行性工作對人力的依賴，讓工程師將更多時間投入異常分析、品質改善與專業決策，不僅提升作業效率，也強化組織因應產能成長的能力。
而當模型與 Agent 愈來愈深入企業營運，治理的重要性也隨之提高。企業不只要知道模型準不準，更要掌握目前使用哪個版本、資料從哪裡來、Agent 執行了哪些任務，以及最後的決策如何產生。SAS Viya 透過 ModelOps 與 Agent 管理機制，協助追蹤模型與 Agent 的生命週期、效能與執行紀錄，並保留必要的決策流程與可追溯資訊，讓 AI 從單點創新走向可長期管理的企業資產。
面對少子化與資深技術人員退休潮，這場 AI 轉型更深遠的價值，還在於將過往難以傳承的製造 Know-How，逐步沉澱為可保存、可管理、可重複利用的企業智慧。展望未來，日月光也將持續把更多模型與 Agent 納入共同管理架構，並評估將既有經驗延伸到更多應用場景與生產據點。
對日月光而言，「全員 AI」的下一階段，不只是讓更多人會用 AI，而是讓散落在產線、設備與專家手中的智慧，進一步成為可以被管理、協作與複製的數位勞動力；SAS Viya 扮演的，正是連結既有模型、Agent、工具與製造知識的核心中樞，讓多年累積的智慧製造能力持續被放大。
